摘" 要： 針對(duì)未安裝車流量檢測(cè)設(shè)備的高速公路路段進(jìn)行短時(shí)交通量準(zhǔn)確預(yù)測(cè)，是一個(gè)亟待解決的問(wèn)題。為此，提出一種基于復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)路段短時(shí)交通量預(yù)測(cè)模型。該模型以入口節(jié)點(diǎn)交通量為輸入，輸出路段動(dòng)態(tài)預(yù)測(cè)交通量。模型由復(fù)雜網(wǎng)絡(luò)、交通小區(qū)劃分、循環(huán)神經(jīng)網(wǎng)絡(luò)三個(gè)模塊組成。復(fù)雜網(wǎng)絡(luò)由多層網(wǎng)絡(luò)組成，是交通小區(qū)劃分的基礎(chǔ)；交通小區(qū)劃分模塊根據(jù)節(jié)點(diǎn)特征值，采用聚類方法將節(jié)點(diǎn)形成小區(qū)，使同小區(qū)內(nèi)節(jié)點(diǎn)具有類似特征。最后，以交通小區(qū)為依據(jù)，將節(jié)點(diǎn)交通量合并為小區(qū)交通量，采用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行路段動(dòng)態(tài)交通量的預(yù)測(cè)。通過(guò)模型示例并與其他模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，驗(yàn)證所提模型的準(zhǔn)確性和可靠性。結(jié)果表明，該模型能夠準(zhǔn)確地預(yù)測(cè)不同時(shí)長(zhǎng)的交通量，MAPE為9.275%，相比于其他方法，預(yù)測(cè)精度更高且性能穩(wěn)定，具有重要的應(yīng)用價(jià)值。

關(guān)鍵詞： 交通量預(yù)測(cè)； 高速公路路段； 多層復(fù)雜網(wǎng)絡(luò)； 循環(huán)神經(jīng)網(wǎng)絡(luò)； 交通小區(qū)劃分； 預(yù)測(cè)精度

中圖分類號(hào)： TN911.73?34； TP391.9" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " 文章編號(hào)： 1004?373X（2024）22?0173?06

Recurrent neural network traffic volume prediction model based on

multi?layer complex network

Abstract： Accurate short?term traffic volume prediction for highway segments without installed traffic flow detection equipment is a pressing issue. On this basis， a recurrent neural network short?term traffic volume prediction model based on complex network is proposed. In this model， the traffic volume of the entry node is taken as input， and the traffic volume of the output section as dynamic prediction. The model is composed of three modules： complex network， traffic area division and recurrent neural network. The complex network is composed of multi?layer network， which is the basis of traffic district division. According to the characteristic value of the nodes， the traffic plot division module can use clustering method to form the nodes into a plot， so that the nodes in the same plot have similar characteristics. Based on the traffic area， the nodal traffic volume is combined into the traffic area volume， and the cyclic neural network is used to predict the dynamic traffic volume of the road section. The accuracy and reliability of the proposed model are verified by the model example and comparison with other model prediction results. The results show that the model can accurately predict the traffic volume of different time lengths， and the average MAPE is 9.275%. In comparison with other methods， the prediction accuracy is higher and the performance is stable， which has important application value.

Keywords： traffic volume forecast; highway sections; multilayer complex network; recurrent neural network; traffic district division; prediction accuracy

0" 引" 言

交通量短時(shí)預(yù)測(cè)在交通管理、路線選擇、事故預(yù)防和應(yīng)急救援中起著重要作用。在交通管理優(yōu)化方面，通過(guò)短時(shí)預(yù)測(cè)，交通管理者可以更好地了解交通流量的變化趨勢(shì)，采取相應(yīng)的措施來(lái)優(yōu)化交通管理；在用戶路線選擇方面，導(dǎo)航系統(tǒng)可以為駕駛員提供更準(zhǔn)確的路線規(guī)劃和交通狀況信息，這使得駕駛員能夠選擇避開(kāi)擁堵路段，選擇合適的路線到達(dá)目的地，從而節(jié)省時(shí)間和燃料成本；在交通事故預(yù)防方面，通過(guò)短時(shí)預(yù)測(cè)系統(tǒng)可以識(shí)別出交通事故易發(fā)區(qū)域和時(shí)段，提前采取措施減少事故發(fā)生的可能性；在應(yīng)急響應(yīng)和救援方面，短時(shí)預(yù)測(cè)系統(tǒng)可以幫助交通管理部門和救援機(jī)構(gòu)迅速做出響應(yīng)。綜上所述，交通量短時(shí)預(yù)測(cè)可以提高交通系統(tǒng)的效率、安全性和可持續(xù)性，為人們提供更便捷、更安全的出行體驗(yàn)。

交通量短時(shí)預(yù)測(cè)的方法總體上可以歸納為模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩類。模型驅(qū)動(dòng)方法有時(shí)間序列模型和濾波類模型，時(shí)間序列模型如ARIMA[1?2]及其變體[3]，濾波類模型如卡爾曼濾波[4?5]、粒子濾波[6]等，以及時(shí)間序列和濾波方法相結(jié)合的混合模型[7?8]。在通常情況下，參數(shù)類模型具有兩方面不足：一是很強(qiáng)的條件假設(shè)，并且需要對(duì)路段交通觀測(cè)量進(jìn)行實(shí)時(shí)統(tǒng)計(jì)；二是對(duì)每個(gè)觀測(cè)位置進(jìn)行單獨(dú)預(yù)測(cè)，缺乏空間相關(guān)性考慮。

數(shù)據(jù)驅(qū)動(dòng)類方法可以分為傳統(tǒng)機(jī)器學(xué)習(xí)類方法和深度學(xué)習(xí)類方法。傳統(tǒng)機(jī)器學(xué)習(xí)類方法如分類回歸樹(shù)[9]、K近鄰和SVM[10]等被應(yīng)用于道路交通預(yù)測(cè)，此外，部分研究還采用了貝葉斯方法[11]、KNN[12]、RNN、LSTM[13?14]等；深度學(xué)習(xí)類方法如CNN[15]、Transformer[16]等。在通常情況下，數(shù)據(jù)驅(qū)動(dòng)模型需要在具備交通大數(shù)據(jù)的前提下使用，數(shù)據(jù)缺乏空間相關(guān)性的考慮。顯然，現(xiàn)有預(yù)測(cè)方法對(duì)于未安裝車流量檢測(cè)設(shè)備的高速公路路段進(jìn)行短時(shí)交通量準(zhǔn)確預(yù)測(cè)仍然是一個(gè)難題。

本文提出一種基于復(fù)雜網(wǎng)絡(luò)的路段短時(shí)交通量預(yù)測(cè)模型。采用復(fù)雜網(wǎng)絡(luò)原理進(jìn)行數(shù)據(jù)處理，結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了路段動(dòng)態(tài)交通量的準(zhǔn)確預(yù)測(cè)。該模型特點(diǎn)在于：以預(yù)測(cè)路段為研究對(duì)象，基于復(fù)雜網(wǎng)絡(luò)進(jìn)行交通小區(qū)劃分，將節(jié)點(diǎn)交通量數(shù)據(jù)轉(zhuǎn)換為小區(qū)交通量；同時(shí)預(yù)測(cè)過(guò)程中無(wú)需對(duì)路段交通量進(jìn)行檢測(cè)，可實(shí)現(xiàn)對(duì)未安裝車流量檢測(cè)設(shè)備的高速公路路段進(jìn)行短時(shí)交通量準(zhǔn)確預(yù)測(cè)。

1" 基于復(fù)雜網(wǎng)絡(luò)的路段短時(shí)交通量預(yù)測(cè)原理

交通復(fù)雜網(wǎng)絡(luò)理論是研究交通系統(tǒng)中網(wǎng)絡(luò)結(jié)構(gòu)和行為的理論[17]，將交通系統(tǒng)視為一個(gè)復(fù)雜網(wǎng)絡(luò)，其中交通節(jié)點(diǎn)和道路被表示為網(wǎng)絡(luò)中的節(jié)點(diǎn)和邊，通過(guò)這些節(jié)點(diǎn)和邊進(jìn)行交通流動(dòng)。復(fù)雜網(wǎng)絡(luò)能夠表征道路結(jié)構(gòu)、拓?fù)涮卣?、網(wǎng)絡(luò)行為等，用于理解和優(yōu)化交通系統(tǒng)的結(jié)構(gòu)和行為。

路段短時(shí)交通量預(yù)測(cè)是基于一段時(shí)間內(nèi)觀測(cè)到的歷史交通狀態(tài)時(shí)空數(shù)據(jù)序列，采用預(yù)測(cè)模型預(yù)測(cè)未來(lái)若干時(shí)段內(nèi)的道路交通狀態(tài)時(shí)空數(shù)據(jù)序列。本文針對(duì)單個(gè)路段建立路段短時(shí)交通量預(yù)測(cè)模型，根據(jù)入口節(jié)點(diǎn)交通量進(jìn)行路段的動(dòng)態(tài)交通量預(yù)測(cè)。預(yù)測(cè)模型用以下數(shù)學(xué)形式表達(dá)：

[F：Xhistory→Siprediction]" " " " " "（1）

式中：[F]為預(yù)測(cè)模型；[Xhistory]和[Sprediction]分別表示節(jié)點(diǎn)交通量數(shù)據(jù)序列和路段交通量預(yù)測(cè)數(shù)據(jù)序列；i為預(yù)測(cè)路段。

高速公路的路段交通量與入口節(jié)點(diǎn)交通量在時(shí)間和空間上具有相關(guān)性。具體地，在時(shí)間維度上，路段的交通狀態(tài)與入口節(jié)點(diǎn)的歷史交通量是相關(guān)的，即存在時(shí)間相關(guān)性；在空間維度上，路段的交通狀態(tài)與不同入口節(jié)點(diǎn)的相關(guān)性存在差異，即存在空間相關(guān)性。時(shí)間相關(guān)性和空間相關(guān)性并不是相互獨(dú)立的兩個(gè)維度，而是存在相互影響的時(shí)空相關(guān)性，從而導(dǎo)致交通預(yù)測(cè)情況復(fù)雜。

基于復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)交通量預(yù)測(cè)模型具有處理時(shí)空相關(guān)性的能力。時(shí)空相關(guān)性具有非線性、動(dòng)態(tài)性、異質(zhì)性等特性。非線性是指交通流在路網(wǎng)中的傳播是非線性的，也導(dǎo)致交通狀態(tài)的非線性相關(guān)性，基于復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)交通量預(yù)測(cè)模型本質(zhì)上是一個(gè)非線性函數(shù)，非常適合這種非線性數(shù)據(jù)處理；動(dòng)態(tài)性是指時(shí)間相關(guān)性和空間相關(guān)性都隨時(shí)間呈現(xiàn)動(dòng)態(tài)變化，復(fù)雜網(wǎng)絡(luò)采用動(dòng)態(tài)建模，形成動(dòng)態(tài)邊權(quán)，滿足了動(dòng)態(tài)性；異質(zhì)性是指在空間上，不同單元的特性具有差異性，從而進(jìn)行交通小區(qū)劃分。綜合上述情況，本文提出的模型充分考慮了交通量預(yù)測(cè)的時(shí)空相關(guān)性，能夠保證預(yù)測(cè)性能。

2" 路段短時(shí)交通量預(yù)測(cè)模型

本節(jié)針對(duì)高速公路路段交通量預(yù)測(cè)問(wèn)題構(gòu)建了基于復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)交通量預(yù)測(cè)模型，以節(jié)點(diǎn)交通量為輸入，以路段預(yù)測(cè)交通量為輸出。模型由復(fù)雜網(wǎng)絡(luò)、交通小區(qū)劃分、循環(huán)神經(jīng)網(wǎng)絡(luò)三個(gè)模塊組成。針對(duì)道路結(jié)構(gòu)、通行成本、交通出行起始地和通行時(shí)間等交通路網(wǎng)屬性建立復(fù)雜網(wǎng)絡(luò)，形成結(jié)構(gòu)網(wǎng)、權(quán)重網(wǎng)、OD（Origin?Destination）網(wǎng)、通行時(shí)間網(wǎng)等。交通小區(qū)劃分是以路段所處位置為中心，依據(jù)路徑選擇及到達(dá)路段的時(shí)間兩個(gè)屬性對(duì)節(jié)點(diǎn)進(jìn)行權(quán)重K?means聚類，形成交通小區(qū)，從而使得同一交通小區(qū)內(nèi)的節(jié)點(diǎn)交通量進(jìn)入路網(wǎng)后，在選擇該路段的概率和到達(dá)路段時(shí)間具有相近的特性。循環(huán)神經(jīng)網(wǎng)絡(luò)根據(jù)小區(qū)交通量來(lái)預(yù)測(cè)路段動(dòng)態(tài)交通量。

模型的結(jié)構(gòu)及相關(guān)關(guān)系如圖1所示。

2.1" 多層復(fù)雜網(wǎng)絡(luò)

多層復(fù)雜網(wǎng)絡(luò)由多個(gè)單層復(fù)雜網(wǎng)絡(luò)組成，從而使得各元素間存在多種屬性連接關(guān)系。多層復(fù)雜網(wǎng)絡(luò)能夠反映路網(wǎng)的多屬性特征，彌補(bǔ)單層網(wǎng)絡(luò)的片面性[18?19]。本文針對(duì)道路結(jié)構(gòu)、通行成本、交通出行和通行時(shí)間等屬性形成相應(yīng)的結(jié)構(gòu)網(wǎng)、權(quán)重網(wǎng)、OD網(wǎng)、通行時(shí)間網(wǎng)共四層復(fù)雜網(wǎng)絡(luò)，提供了路網(wǎng)的多個(gè)特征。多層復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2.1.1" 結(jié)構(gòu)網(wǎng)

高速公路由出入口、互通立交、路段等組成，本文將其抽象成節(jié)點(diǎn)和邊等元素構(gòu)成結(jié)構(gòu)網(wǎng)。具體來(lái)說(shuō)，結(jié)構(gòu)網(wǎng)[G=V，E]由節(jié)點(diǎn)、邊等組成，以出入口和互通立交為節(jié)點(diǎn)，[V={v1，v2，…，vn}]是網(wǎng)絡(luò)中[n]個(gè)節(jié)點(diǎn)的集合；以有向路段為邊，[eij=（vi，vj）]代表節(jié)點(diǎn)[vi]到節(jié)點(diǎn)[vj]的路段，[m]個(gè)有向邊組成路段集[E]。

2.1.2" 權(quán)重網(wǎng)

權(quán)重網(wǎng)采用廣義費(fèi)用函數(shù)來(lái)表征路段的通行成本。針對(duì)高速公路，權(quán)重由通行費(fèi)用、車輛運(yùn)營(yíng)費(fèi)用和時(shí)間價(jià)值費(fèi)用等組成，公式如下：

式中：[weij]為邊的權(quán)重；[Kηij]為車型[η]在路段[eij]的高速公路通行費(fèi)用；[δη]是車型[η]的單位距離運(yùn)營(yíng)費(fèi)用，包括油耗、輪胎磨損以及汽車修理等費(fèi)用；[Lij]是邊[eij]的里程；[φη]是出行者的時(shí)間價(jià)值；[Tij]是車輛在邊[eij]自由流狀態(tài)下的行駛時(shí)間；[vij]是路段交通量；[Cij]是路段通行能力；[α]、[β]為期望行程時(shí)間的參數(shù)。

2.1.3" OD網(wǎng)

OD網(wǎng)是車輛在路網(wǎng)中起始地、目的地、出發(fā)時(shí)間、到達(dá)時(shí)間等屬性的表達(dá)，所有車輛的出行信息組成了OD網(wǎng)。車輛的一次出行信息包含車牌號(hào)、車型、起始點(diǎn)、目的地、出發(fā)時(shí)間、到達(dá)時(shí)間等信息。

2.1.4" 通行時(shí)間網(wǎng)

通行時(shí)間網(wǎng)是車輛在該路段的平均通行時(shí)間，其值由道路的設(shè)計(jì)等級(jí)和交通服務(wù)水平所決定。通行時(shí)間公式如下：

式中[Teij]為路段的通行時(shí)間。

2.2" 基于復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)交通量預(yù)測(cè)

2.2.1" 交通小區(qū)劃分

由于以入口節(jié)點(diǎn)而形成的觀測(cè)交通量數(shù)據(jù)在統(tǒng)計(jì)周期內(nèi)具有稀疏的特性，本文為有效處理數(shù)據(jù)，同時(shí)降低數(shù)據(jù)處理的難度，以交通小區(qū)為單元進(jìn)行觀測(cè)交通量的數(shù)據(jù)合并。交通小區(qū)劃分遵守以下原則：以預(yù)測(cè)路段為中心，交通小區(qū)離路段越近，其節(jié)點(diǎn)規(guī)模越小，反之則規(guī)模越大；考慮并行路段分流作用，將并行路段分流特性作為節(jié)點(diǎn)屬性；考慮分析入口節(jié)點(diǎn)交通量對(duì)路段的影響時(shí)效，將到達(dá)預(yù)測(cè)路段及并行路段的時(shí)間作為節(jié)點(diǎn)屬性。其節(jié)點(diǎn)特征值表達(dá)如下：

式中：[d（i）]是節(jié)點(diǎn)[i] 到達(dá)預(yù)測(cè)路段及并行路段的通行時(shí)間；[p（i）]是節(jié)點(diǎn)[i] 在出行路徑選擇中選擇預(yù)測(cè)路段及并行路段的概率；[m]為包含預(yù)測(cè)路段在內(nèi)的并行路段中心點(diǎn)的數(shù)量；[n]為包含預(yù)測(cè)路段在內(nèi)的并行路段的數(shù)量。

根據(jù)節(jié)點(diǎn)[d（i）]和[p（i）]的特征值，采用權(quán)重K?means聚類方法進(jìn)行交通小區(qū)劃分，獲得的交通小區(qū)內(nèi)的節(jié)點(diǎn)在路徑選擇、到達(dá)時(shí)間方面具有相似性。交通小區(qū)劃分的數(shù)學(xué)表達(dá)如下所示：

式中：[d（Xi，Vk）]是節(jié)點(diǎn)[i]與簇[k]質(zhì)心的歐氏距離；[Xi]為節(jié)點(diǎn)特征值；[Vk]為簇質(zhì)心的特征值；[Ck]是簇[k]內(nèi)節(jié)點(diǎn)的集合；[N]是集合元素?cái)?shù)量；[K]是簇的數(shù)量；[d1]和[d2]分別代表到達(dá)時(shí)間和路徑選擇的歐氏距離；[λ]為聚類屬性系數(shù)。

2.2.2" 循環(huán)神經(jīng)網(wǎng)絡(luò)

本文采用循環(huán)神經(jīng)網(wǎng)絡(luò)來(lái)有序地接收小區(qū)交通量輸入，形成一個(gè)綜合的序列特征向量，從而預(yù)測(cè)路段交通量。整個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)由多個(gè)循環(huán)單元構(gòu)成，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

[{ht-1，xt}]代表第[t]步輸入，[ht]代表輸出，其數(shù)學(xué)關(guān)系如下式所示：

[ht=f（Whht-1+Wxxt+b）]" " " " " （6）

式中：f（·）代表非線性激活函數(shù)；[Wh]、[Wx]、[b]是神經(jīng)網(wǎng)絡(luò)參數(shù)。

3" 模型示例及驗(yàn)證

文章以南沙大橋路段為預(yù)測(cè)對(duì)象，其在路網(wǎng)地圖中所處位置如圖4所示。

南沙大橋是一條橫跨珠江兩岸的橋梁，其并行路段為上下游的珠江口跨江通道。本文數(shù)據(jù)集為高速公路收費(fèi)數(shù)據(jù)，包含訓(xùn)練集和測(cè)試集兩部分。訓(xùn)練集為2021年7月5日—11日的數(shù)據(jù)，測(cè)試集為2021年8月12日的數(shù)據(jù)，其數(shù)據(jù)組成為入口節(jié)點(diǎn)交通量和路段交通量。以預(yù)測(cè)對(duì)象為中心，針對(duì)高速公路網(wǎng)分別建立結(jié)構(gòu)網(wǎng)、權(quán)重網(wǎng)、OD網(wǎng)、通行時(shí)間網(wǎng)，形成復(fù)雜網(wǎng)絡(luò)，其預(yù)測(cè)路段及并行路段在復(fù)雜網(wǎng)絡(luò)中的位置如圖5所示。

3.1" 交通流量預(yù)測(cè)

以高速公路出入口為節(jié)點(diǎn)進(jìn)行交通小區(qū)劃分，將589個(gè)節(jié)點(diǎn)劃分為29個(gè)交通小區(qū)，相鄰小區(qū)用不同顏色代表，如圖6所示。由圖6可以看到，交通小區(qū)離預(yù)測(cè)路段越近，規(guī)模越小。再根據(jù)交通小區(qū)劃分結(jié)果將入口交通量合并成小區(qū)交通量。

假設(shè)同一交通小區(qū)前往其他交通小區(qū)的比例相對(duì)穩(wěn)定，在不結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)的情況下，在復(fù)雜網(wǎng)絡(luò)中根據(jù)最短路徑選擇的原則和到達(dá)時(shí)間估計(jì)可以獲得路段的動(dòng)態(tài)交通量。僅復(fù)雜網(wǎng)絡(luò)下路段交通量預(yù)測(cè)值與實(shí)際值對(duì)比如圖7所示，交通流量統(tǒng)計(jì)周期為15 min，橫坐標(biāo)為時(shí)間，即一天內(nèi)共96個(gè)預(yù)測(cè)點(diǎn)；縱坐標(biāo)為歸一化后的路段交通量，車型采用標(biāo)準(zhǔn)車型等效單位（Passenger Car Unit， PCU），黑色實(shí)線為實(shí)際交通量，虛線為預(yù)測(cè)交通量。可以看出，僅在復(fù)雜網(wǎng)絡(luò)下，隨著預(yù)測(cè)時(shí)長(zhǎng)的增加，預(yù)測(cè)結(jié)果誤差逐漸變大。

為了彌補(bǔ)上述僅依靠復(fù)雜網(wǎng)絡(luò)進(jìn)行路段交通量預(yù)測(cè)誤差大的問(wèn)題，采用訓(xùn)練集的小區(qū)交通量和路段交通量對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)訓(xùn)練調(diào)整，分別建立預(yù)測(cè)時(shí)長(zhǎng)為15 min、30 min、45 min、60 min的循環(huán)神經(jīng)網(wǎng)絡(luò)，并采用驗(yàn)證集進(jìn)行該路段的交通量預(yù)測(cè)，其預(yù)測(cè)結(jié)果如圖8所示。由圖可知，隨著預(yù)測(cè)時(shí)間增加，車流量誤差逐漸減小。

3.2" 模型評(píng)估及討論

為了更好地對(duì)本文模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，采用ARIMA和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）兩種對(duì)比方法對(duì)路段交通量序列進(jìn)行預(yù)測(cè)，其輸入為歷史路段交通量，輸出為預(yù)測(cè)路段交通量。采用平均絕對(duì)百分比誤差（Mean Absolute Percentage Error， MAPE）和均方根誤差（Root Mean Square Error， RMSE）兩個(gè)指標(biāo)進(jìn)行分析。不同方法在不同預(yù)測(cè)時(shí)長(zhǎng)下的預(yù)測(cè)結(jié)果如表1所示。

從表1的MAPE可以看出，相比于其他方法，本文模型在所有預(yù)測(cè)時(shí)長(zhǎng)下都能達(dá)到最好，說(shuō)明該模型在不同預(yù)測(cè)時(shí)長(zhǎng)下均能保持良好的預(yù)測(cè)性能。本文模型的預(yù)測(cè)精度均有較高提升，特別是在45 min預(yù)測(cè)時(shí)長(zhǎng)下，本文方法的MAPE值比基于序列的ARMIA和RNN預(yù)測(cè)結(jié)果均降低了約24.6%。從RMSE對(duì)比可以看出，針對(duì)不同預(yù)測(cè)時(shí)長(zhǎng)，本文模型相比其他方法能夠保持較為穩(wěn)定的預(yù)測(cè)。對(duì)比實(shí)驗(yàn)驗(yàn)證了本文方法的有效性和可靠性。

4" 結(jié)" 語(yǔ)

本文提出一種基本復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)交通量預(yù)測(cè)模型，以入口節(jié)點(diǎn)交通量為模型輸入，以路段預(yù)測(cè)交通量為模型輸出，實(shí)現(xiàn)了未安裝車流量檢測(cè)設(shè)備的高速公路路段的動(dòng)態(tài)交通量預(yù)測(cè)。該模型基于復(fù)雜網(wǎng)絡(luò)提取入口節(jié)點(diǎn)的特征并聚類形成交通小區(qū)，采用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行交通量預(yù)測(cè)。模型優(yōu)勢(shì)在于充分考慮了交通的時(shí)空相關(guān)性，從而提升了模型預(yù)測(cè)的準(zhǔn)確度。

為了驗(yàn)證該模型的有效性，選取南沙大橋路段為預(yù)測(cè)對(duì)象進(jìn)行動(dòng)態(tài)交通量預(yù)測(cè)。模型評(píng)估結(jié)果顯示，本文模型能夠準(zhǔn)確地預(yù)測(cè)不同時(shí)長(zhǎng)（15 min、30 min、45 min、60 min）的交通量，MAPE為9.275%，相比其他方法，本文模型預(yù)測(cè)精度更高且具有穩(wěn)定的性能。下一步研究將考慮更多數(shù)據(jù)特征，進(jìn)一步探索現(xiàn)有知識(shí)與機(jī)器學(xué)習(xí)的融合預(yù)測(cè)能力。

參考文獻(xiàn)

[1] SHAHRIARI S， GHASRI M， SISSON S A， et al. Ensemble of ARIMA： combining parametric and bootstrapping technique for traffic flow prediction [J]. Transportmetrica a： transport science， 2020， 16（3）： 1552?1573.

[2] GE M， ZHANG J F， WANG H Y，et al. ARIMA?FSVR hybrid method for high?speed railway passenger traffic forecasting [J]. Mathematical problems in engineering， 2021， 2021： 1?5.

[3] YU J Z， LI Q. Intrusion detection technology for wireless sensor networks based on autoregressive moving average [J]. Advances in multimedia， 2022， 2022： 1.1?1.7.

[4] ZHANG H， YANG G， YU H， et al. Kalman filter?based CNN?BILSTM?ATT model for traffic flow prediction [J]. Computers， materials amp; continua， 2023， 76（1）： 1047?1063.

[5] CHANG S Y， WU H C， KAO Y C. Tensor extended kalman filter and its application to traffic prediction [J]. IEEE transactions on intelligent transportation systems， 2023， 24（12）： 13813?13829.

[6] 王濤，謝思紅，黎文皓，等.基于FFOS?ELM和PF的短時(shí)交通流自適應(yīng)預(yù)測(cè)模型[J].重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，40（6）：21?27.

[7] 陳昆，曲大義，賈彥峰，等.基于ARIMA?SVM模型的短時(shí)交通流量預(yù)測(cè)研究[J].青島理工大學(xué)學(xué)報(bào)，2022，43（5）：104?109.

[8] 楊高飛，徐睿，秦鳴，等.基于ARMA和卡爾曼濾波的短時(shí)交通預(yù)測(cè)[J].鄭州大學(xué)學(xué)報(bào)（工學(xué)版），2017，38（2）：36?40.

[9] YAN Z Y， Lü S. Short?term forecast model of taxi demand based on time and space heterogeneity [J]. Journal of intelligent amp; fuzzy systems， 2021， 41（2）： 4175?4186.

[10] 劉釗，杜威，閆冬梅，等.基于K近鄰算法和支持向量回歸組合的短時(shí)交通流預(yù)測(cè)[J].公路交通科技，2017，34（5）：122?128.

[11] XIA J， WANG S， WANG X， et al. Multi?view Bayesian spatio?temporal graph neural networks for reliable traffic flow prediction [J]. International journal of machine learning and cybernetics， 2024， 15： 65?78.

[12] 羅向龍，李丹陽(yáng)，楊彧，等.基于KNN?LSTM的短時(shí)交通流預(yù)測(cè)[J].北京工業(yè)大學(xué)學(xué)報(bào)，2018，44（12）：1521?1527.

[13] 張萌.基于LSTM神經(jīng)網(wǎng)絡(luò)的短期交通量預(yù)測(cè)研究[D].石家莊：石家莊鐵道大學(xué)，2022.

[14] 翁小雄，郝翊.基于LSTM引入客車占比特征的短時(shí)交通流預(yù)測(cè)[J].重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，39（11）：20?25.

[15] 楊瑞，馮慧芳.基于注意力機(jī)制的CNN?BiGRU的短時(shí)交通流預(yù)測(cè)[J].軟件工程與應(yīng)用，2021，10（6）：823?832.

[16] 周楚昊，林培群.基于多通道Transformer的交通量預(yù)測(cè)方法 [J].計(jì)算機(jī)應(yīng)用研究，2023，40（2）：435?439.

[17] COSTA L D F， OLIVEIRA O N， TRAVIESO G， et al. Analyzing and modeling real?world phenomena with complex networks： a survey of applications [J]. Advances in physics， 2011， 60（3）： 329?412.

[18] KIVELA M， ARENAS A， BARTHELEMY M， et al. Multilayer networks [J]. SSRN electronic journal， 2014， 2（3）： 203?271.

[19] 翁小雄，謝志鵬.基于多層復(fù)雜網(wǎng)絡(luò)的高速公路節(jié)點(diǎn)重要性研究[J].廣西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，39（5）：78?88.